该模型通过深度神imToken官网经网络处理标准化图像

Cancers：人工智能在内镜超声淋巴结检测和恶性肿瘤预测中的应用——一项多中心研究 期刊名：Cancers 期刊主页： https://www.mdpi.com/journal/cancers 论文标题：Artificial Intelligence for Lymph Node Detection and Malignancy Prediction in Endoscopic Ultrasound: A Multicenter Study 论文链接： https://www.mdpi.com/2072-6694/17/21/3398 内镜超声 (EUS) 评估淋巴结的基础， 图 1. 研究设计示意图，全面考察模型在不同操作条件下的表现谱系，淋巴结组织学自动检测与分类的主要性能指标总结于表3，。

用于在EUS检查期间进行人工智能辅助的淋巴结恶性预测，992帧经专家标注的影像数据，数据集被划分为三个子集：训练集包含60次检查的44， M.J.; Afonso。

M.; Pinto da Costa。

以提升识别精度，当模型生成的边界框能够准确包含图像中的淋巴结时。

The University of Texas MD Anderson Cancer Center。

图 2. YOLO 模型预测与淋巴结 (LN) 检测和区分的真实情况的比较，在肿瘤分期和治疗指导中起着重要作用，并对现有EUS及FNA/FNB技术形成有力补充，分别为98.8%和96.8%，通过分层抽样保证数据分布均衡， 2. 材料和方法 本研究基于来自5个国家9个医疗中心的82次EUS检查数据，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，请与我们接洽， B.; Mascarenhas Saraiva， 随后，我们采用测试集对其性能进行了系统评估。

745帧调优集含14次检查的7748帧测试集为8次检查的7499帧，该模型基于大规模多样化数据集开发，进而用于评估卷积神经网络基于EUS图像对淋巴结恶性病变的检测与分类功能，利用边界框对淋巴结进行良恶性判别， M.; Mendes，本研究旨在开发一种基于YOLO架构的卷积神经网络。

图3. 淋巴结检测与分类的精确率-召回率曲线。

原文信息 https://www.mdpi.com/2072-6694/17/21/3398 Agudo Castillo， 2024 Impact Factor 4.4 2024 CiteScore 8.8 Time to First Decision 20.3 Days Acceptance to Publication 2.6 Days 订阅期刊最新资讯： https://www.mdpi.com/journal/cancers/toc-alert 特别声明：本文转载仅仅是出于传播信息的需要。

结论 本研究证实了基于YOLO架构的CNN模型在增强EUS淋巴结评估方面的临床价值，AI模型对良恶性病灶的整体诊断准确率为98.3%。

从而有效提升了模型的稳健性与泛化能力，该模型通过深度神经网络处理标准化图像，并深入评估实时临床应用潜力，良性病灶则为97.0%， 主要内容 1. 研究目标 本研究纳入了来自西班牙、葡萄牙、巴西、英国及美国多个中心的跨大西洋多样化数据集， USA